mapreduce工作流程：
1.读取文件，从指定路径讲读取文件解析成键值对形式，key为行偏移量，value为每行数据；
2.自定义map逻辑，讲K1,V1转换成map逻辑的K2,V2输出；
3.分区：对K2,V2进行操作，相同数据类型的数据放到同一个区中，继承一个partitioner类；
4.排序：对不同分区的数据按照相同key排序，用到实体类封装时需要实现序列化接口writable,用到比较的话需要继承writablecomparable;
5.规约：对map端输出的K2,V2进行数据聚合，也就是combiner;
6.分组：相同key的value放到同一个集合中；
7.自定义reduce逻辑，将K2,V2,转换成新的k3,v3输出；
8.将k3,v3通过context上下文将数据进行保存；
栗子：
文件：test.txt
扫描二维码关注公众号，回复：
3733002 查看本文章
文件内容：
a b c
d f a
d a g
当test.txt输入之后，需要将数据进行拆分为K1（行偏移量）,V1（每行数据）格式，即：
0，a b c
4, d f a
8, d a g
数据拆分完成之后，到map端将数据按照map端定义的逻辑进行映射为K2(单个数据值),V2（单个数据出现次数不累加统计），即：
a 1
b 1
c 1
d 1
f 1
a 1
d 1
a 1
g 1
combiner聚合阶段：
a ,{1,1,1}
b,{1}
c,{1}
d,{1,1}
f,{1}
g,{1}
renduce阶段：将K2,V2转成新的K3(单个数据),V3（单个数据出现次数累加之和），即：
a,3
b,1
c,1
d,2
f,1
g,1
简言之MapReduce就是“分而治之”，MapReduce分为Map,Reduce,map负责收集统计，只统计不计算，而reduce是负责将map传过来的数据进行计算整合输出！